最优源前向：通过源特定网络实现域泛化
计算机视觉与模式识别
2018-06-18 v1 机器学习
机器学习
摘要
视觉对象分类中的一个长期问题是算法在不同测试条件下泛化的能力。该问题被形式化为生成训练数据(源)与测试数据(目标)的概率分布之间的协变量偏移，并已提出若干域适应方法来解决。这些方法考虑的是单源–单目标场景，而实际中可能存在多源且需要适应任意可能的目标域。这最后一种场景称为域泛化(Domain Generalization, DG)，是本文工作的重点。与以往从源数据学习域不变表示的DG方法不同，我们设计了一个具有多个域特定分类器的深度网络，每个分类器关联一个源域。在测试时，我们估计目标样本属于各源域的概率，并利用它们最优融合分类器预测。为进一步提升模型泛化能力，我们还引入了支持最终分类器的域不可知组件。在两个公开基准上的实验证明了我们方法的有效性。
引用
@article{arxiv.1806.05810,
title = {Best sources forward: domain generalization through source-specific nets},
author = {Massimiliano Mancini and Samuel Rota Bulò and Barbara Caputo and Elisa Ricci},
journal= {arXiv preprint arXiv:1806.05810},
year = {2018}
}